Tuning Agent-Based Predator-Prey Models Toward Lotka-Volterra Dynamics

Résumé Technique : Accordage de Modèles de Prédateurs-Proies par Agents vers la Dynamique de Lotka-Volterra

Énoncé du Problème
L'augmentation récente de la puissance de calcul a permis l'utilisation de modèles à base d'agents (ABM) à grande échelle pour simuler des systèmes adaptatifs complexes. Cependant, une difficulté centrale demeure : les ABM contiennent souvent de nombreux paramètres et règles locales où de légers ajustements peuvent conduire à des comportements incontrôlés, à l'effondrement des populations ou à une saturation artificielle. Le défi consiste à contraindre ces dynamiques pour produire des structures de population macroscopiques stables et significatives sans supprimer les interactions locales qui génèrent la complexité. Plus précisément, les auteurs étudient si les paramètres microscopiques d'un système prédateur-proie continu peuvent être accordés de sorte que les dynamiques de population macroscopiques résultantes ressemblent aux oscillations lisses et classiques des équations de Lotka-Volterra (LV).

Méthodologie
L'étude emploie un système prédateur-proie continu en deux dimensions où des moutons (proies) et des loups (prédateurs) sont modélisés comme des agents actifs auto-propulsés. Le système est implémenté via ABMax, un framework basé sur JAX qui permet une simulation par lots efficace sur des accélérateurs matériels (GPU NVIDIA A100).

• Dynamique des Agents : Les agents possèdent une énergie interne, des capacités de détection locale (ray-casting avec occlusion) et sont contrôlés par des réseaux de neurones récurrents à temps continu (CTRNN) basés sur une interprétation moderne de Wilson-Cowan. Les agents se déplacent dans un plan cartésien, gagnant de l'énergie à partir d'une zone centrale d'herbe (moutons) ou en consommant des proies (loups), tout en subissant des coûts métaboliques.
• Rotation de la Population : La naissance et la mort sont basées sur des seuils. Les agents se reproduisent si l'énergie dépasse un seuil pendant une durée spécifique et qu'un emplacement est disponible ; ils meurent si l'énergie reste inférieure à un seuil pendant une certaine durée. La progéniture hérite des paramètres du contrôleur et de la moitié de l'énergie du parent.
• Stratégie d'Optimisation : L'optimisation se déroule en deux étapes distinctes :
  1. Optimisation des Contrôleurs : En utilisant la stratégie d'évolution par adaptation de la matrice de covariance (CMA-ES), les auteurs optimisent d'abord les contrôleurs de réseaux neuronaux pour les moutons et les loups séparément. Les loups sont entraînés contre des contrôleurs de moutons aléatoires, et vice versa, afin d'établir des comportements locaux robustes.
  2. Accordage au niveau de l'ABM : Une fois les contrôleurs fixés (soit comme versions évoluées, soit comme initialisations aléatoires), les auteurs optimisent les paramètres écologiques (par exemple, les taux d'absorption d'herbe, les taux de transfert de prédation, les coûts métaboliques et les seuils de naissance/mort).
• Fonction d'Objectif : L'accordage cible une fonction de perte basée sur des caractéristiques, conçue pour imposer des dynamiques de type LV. La perte ($L$) est une somme pondérée de plusieurs composantes :
  • Perte de Corrélation ($L_{corr}$) : Utilise la corrélation de Pearson pour récompenser le déphasage entre les populations de proies et de prédateurs (la proie précédant le prédateur) et l'alignement de leurs pentes de croissance/déclin. Elle encode également la pression LV locale (une forte abondance de proies entraînant la croissance des prédateurs, et inversement).
  • Pertes de Stabilité : Comprend des termes pour empêcher l'extinction ($L_e$), empêcher la saturation aux plafonds de population artificiels ($L_c$), assurer une amplitude d'oscillation suffisante ($L_a$), imposer des trajectoires non monotones ($L_t$), pénaliser les trajectoires qui ne traversent pas leur moyenne assez fréquemment ($L_{cross}$), et minimiser la dérive à long terme des moyennes de population ($L_d$).

Résultats Clés

• Convergence vers la Dynamique LV : L'optimisation a réussi à guider les paramètres de l'ABM vers des régimes présentant des oscillations couplées et soutenues entre les populations de moutons et de loups. La perte a diminué de manière significative, particulièrement lors de l'utilisation de contrôleurs évolués par rapport aux contrôleurs aléatoires.
• Influence des Contrôleurs :
  • Contrôleurs Évolués : Ont produit des oscillations plus "bruyantes" et moins idéalisées, mais qui restaient bien bornées et évitaient une saturation extrême. Cela suggère que les comportements locaux appris, lorsqu'ils sont couplés à des paramètres écologiques accordés, produisent des dynamiques plus ancrées dans le comportement.
  • Contrôleurs Aléatoires : Ont produit des oscillations plus lisses et régulières, mais avaient tendance à approcher le plafond de population artificiel, indiquant que sans les contraintes comportementales apprises, le système repose lourdement sur les paramètres accordés pour maintenir la stabilité.
• Organisation Spatiale : Lors de la visualisation, les agents évolués présentaient des structures spatiales claires : les loups s'agrégeaient près de la zone d'herbe (où la densité de proies était plus élevée), tandis que les moutons se dispersaient plus largement. Les auteurs notent que ce comportement spatial a émergé de l'optimisation du contrôleur, tandis que l'accordage de l'ABM a assuré que ce comportement reste viable sur de longs horizons temporels en équilibrant les flux énergétiques.

Signification et Revendications
L'article affirme qu'un régime écologique macroscopique souhaité (dynamique de Lotka-Volterra) peut servir de cible d'optimisation top-down explicite pour la recherche dans l'espace des paramètres d'un modèle d'agents microscopique. Les auteurs soulignent que leur travail n'implique pas que les ABM découvrent automatiquement les dynamiques de LV, ni qu'un modèle microscopique unique puisse être inféré à partir d'une trajectoire macroscopique.

Au lieu de cela, la signification réside dans la démonstration que des contraintes macroscopiques peuvent être utilisées pour identifier des régimes de paramètres où des systèmes complexes, basés sur des individus, restent dynamiquement bien structurés. L'étude met en évidence une distinction entre la structure comportementale (générée par l'optimisation locale du contrôleur) et la stabilisation de la population (atteinte par l'accordage des paramètres écologiques globaux). Cette approche offre une méthode pour étudier les systèmes multi-agents à ouverture ouverte en utilisant des contraintes écologiques pour maintenir le système dans des limites viables tout en préservant des dynamiques émergentes non triviales. Le travail valide également l'utilité du framework ABMax pour paralléliser et optimiser les simulations d'agents à grande échelle.